問耕 栗子 發自 麥蒿寺
量子位 出品 | 公眾號 QbitAI
你是想喝一輩子糖水，還是想用AI改變世界？
但怎麼想是一回事，怎麼做往往是另一回事。學習和健身一樣，不少人都停留在口頭上，有各種藉口不曾付諸實施。
為此，YouTube網紅Siraj Raval發起了一個挑戰賽：#100DaysOfMLCode。
這個挑戰賽意在號召大家行動起來，從參與活動的那天起，每天至少花費1小時的時間來學習提升或者應用編程，連續堅持100天，從而更好的理解和掌握機器學習這個強大的工具。積跬步、至千里。
而且參加這個活動，還要使用#100DaysOfMLCode這個標籤，在社交平臺每日“打卡”，公開記錄自己的工作。
你想在這100天裡學到什麼，或者完成一個項目全憑自主決定。大家的選擇五花八門，其中有一個小哥的學習計劃，很快引發大家的關注。
這個小哥名叫Avik Jain（重名的不少），他的百天計劃，是從機器學習的基礎概念起步，逐層遞進，內容比較適合初學者。
這個100天搞定機器學習編程的項目，現在已經是爆紅GitHub，很快累積了3000多標星，在Twitter上，也有一大票人熱捧這個項目。
同是百天計劃，這個有什麼特別之處？三點：
1、超讚的學習圖片
2、配套的代碼
3、相應的數據集
對這個項目的評價，多以awesome、great、fantastic、outstanding、perfect等評價，大家紛紛表示感謝（並祝樓主好人一生平安）。
項目地址在此：
https://github.com/Avik-Jain/100-Days-Of-ML-Code
請你一定收藏好。
目前作者的100天計劃，已經進行到第25天，已有的內容包括：
數據預處理、線性迴歸、邏輯迴歸、K最鄰近算法、支持向量機、深度學習專項課程等，最新的內容已經講到決策樹及實現等。
量子位摘錄其中的部分內容，做個示例。
第一天
看上去，真是美好的一天。
第一步：導入一些庫
Numpy和Pandas這兩個，是非常重要的庫。
Numpy裡面有各種數學函數，Pandas是用來導入數據集、管理數據集的。
1 import numpy as np
2 import pandas as pd
第二步：導入數據集
數據集通常是.csv格式。CSV文件，是把表格數據，存儲成純文本。每一行是一個數據記錄 (Data Record) 。
在Pandas庫裡面，用read_csv的方法，來讀取本地的CSV文件，每個文件是一個數據幀 (Data Frame) 。
給每個數據幀裡的自變量和因變量，分別做矩陣和向量。
1 dataset = pd.read_csv('Data.csv')
2 X = dataset.iloc[ : , :-1].values
3 Y = dataset.iloc[ : , 3].values
第三步：處理缺失數據
我們獲取的數據，通常是異構數據。導致缺失數據 (Missing Data) 的原因有很多，需要處理一下，模型的表現才不會減損。
可以把缺失的數據，用整列數據的平均值或者中位數代替。拿sklearn.preprocessing裡的Imputer來處理。
1 from sklearn.preprocessing import Imputer
2 imputer = Imputer(missing_values = "NaN", strategy = "mean", axis = 0)
3 imputer = imputer.fit(X[ : , 1:3])
4 X[ : , 1:3] = imputer.transform(X[ : , 1:3])
第四步：編碼分類數據
分類數據 (Categorical Data) 裡的變量，不包含數值，只包含分類標籤。
比如，是/否，性別，婚姻狀態，這樣的變量，是沒辦法當成數值直接運算的。
所以，才需要把它們編碼成能夠運算的數值。用sklearn.preprocessing裡面的LabelEncoder就可以了。
1 from sklearn.preprocessing import LabelEncoder, OneHotEncoder
2 labelencoder_X = LabelEncoder()
3 X[ : , 0] = labelencoder_X.fit_transform(X[ : , 0])
創建個虛擬變量：
1 onehotencoder = OneHotEncoder(categorical_features = [0])
2 X = onehotencoder.fit_transform(X).toarray()
3 labelencoder_Y = LabelEncoder()
4 Y = labelencoder_Y.fit_transform(Y)
第五步：分開訓練集和測試集
要把數據集分成兩半，一個當訓練集，另一個當測試集。
一般來說，可以按80/20這樣分，訓練集大一些。用sklearn.crossvalidation裡面的train_test_split() 來分，就行了。
1 from sklearn.cross_validation import train_test_split
2 X_train, X_test, Y_train, Y_test = train_test_split( X , Y , test_size = 0.2, random_state = 0)
第六步：特徵縮放
大部分機器學習算法，都會拿兩個數據點之間的歐幾里得距離 (Euclidean Distance) 做計算。
這樣一來，如果一個特徵比其他特徵的範圍值更大，這個特徵值就會成為主導。
而我們希望其他特徵，也得到同等的重視，所以用特徵標準化 (Feature Standardization) 來解決這個問題。
sklearn.preprocessing裡面的StandardScalar，就派上用場了。
1 from sklearn.preprocessing import StandardScaler
2 sc_X = StandardScaler()
3 X_train = sc_X.fit_transform(X_train)
4 X_test = sc_X.fit_transform(X_test)
第二天
今天，要做的是簡單線性迴歸 (Simple Linear Regression) 。
就是拿已知的那些 (x,y) 數據點，做出一條線性的趨勢，來預測其他x值，對應的y。
第一步：數據預處理
其實，就是把第一天做過的事情，複習一下：
· 導入一些庫
· 導入數據集
· 處理缺失數據
· 把數據集分成訓練集和測試集
· 特徵縮放的話，交給庫了
1 import pandas as pd
2 import numpy as np
3 import matplotlib.pyplot as plt
4
5 dataset = pd.read_csv('studentscores.csv')
6 X = dataset.iloc[ : , : 1 ].values
7 Y = dataset.iloc[ : , 1 ].values
8
9 from sklearn.cross_validation import train_test_split
10 X_train, X_test, Y_train, Y_test = train_test_split( X, Y, test_size = 1/4, random_state = 0)
第二步：擬合訓練集
要把數據集，擬合到簡單線性迴歸模型裡面去，可以用sklearn.linear_model裡面的LinearRegression來解決。
在LinearRegression裡面，建一個叫做regressor的對象。
然後，把regressor擬合到數據集裡去，用fit() 就行了。
1 from sklearn.linear_model import LinearRegression
2 regressor = LinearRegression()
3 regressor = regressor.fit(X_train, Y_train)
第三步：預測結果
現在，用測試集來預測一下。
把輸出存到一個向量Y_pred裡面。然後，用LinearRegression裡面的預測方法，來支配上一步訓練過的regressor。
1 Y_pred Y_pred == regressor.predict(X_test) regressor.predict(X_test)
第四步：可視化
最後一步，就是給預測結果做個可視化。
用matplotlib.pyplot做散點圖，給訓練集和測試集都做一下，看看預測結果是不是接近真實。
訓練集可視化：
1 plt.scatter(X_train , Y_train, plt.scatter(X_train , Y_train, colorcolor == ''redred'')
2 plt.plot(X_train , regressor.predict(X_train), ) plt.plot(X_train , regressor.p color ='blue')
測試集可視化：
1 plt.scatter(X_test , Y_test, color = 'red')
2 plt.plot(X_test , regressor.predict(X_test), color ='blue')
兩件需要提醒的事
總之，大概就是上面這個樣子。部分已經放出的信息圖集合如下，大家可以預覽一下。
如果你也想入門或者提升自己的機器學習能力，不妨試試跟著這個小哥一起學習進步。雖然這個項目全是英文，但並不晦澀高深，說不定還能順便提高一下英文水平，以後讀paper也用得到~
還有兩件事，需要提醒一下。
1、這個項目已經開始漢化了
@zhyongquan 在GitHub上已經開始嘗試中文版，效果如下圖所示。
不過目前只進行了第一天內容的漢化。如果你感興趣，可以持續關注，或者加入漢化的行動中。地址在此：
https://github.com/Avik-Jain/100-Days-Of-ML-Code/issues/8
2、項目內容不能盲信
盡信書不如無書。這個學習項目，也不是百分百完全正確，比如第四天講邏輯迴歸時的右下角配圖，就被指出存在錯誤。
作者也承諾將更新改正這個問題。
就醬。
最後，再發一次這個項目的地址：
https://github.com/Avik-Jain/100-Days-Of-ML-Code
請你一定收藏好，如果能開始學習那就更好啦。
如果這種偏入門的內容不適合你，還有更多進階或者具體項目實現的100天計劃可供參考，希望能幫助你精進。
比方#100DaysOfMLCode挑戰賽發起人Siraj Raval，就選擇了在100天裡，使用機器學習技術，根據氣溫、降水、植被變化等因素，預測每週的登革熱疫情，改善防疫的研究計劃和資源分配。
你也可以選擇其他項目，或者在Twitter、GitHub等看看別人的100天挑戰，有沒有你合適跟隨的，或者全新啟動你的挑戰。
對了Siraj Raval還在GitHub和YouTube上發佈過很多其他機器學習課程，例如三個月學習機器學習，六週入門深度學習等。
相關地址在此：
https://github.com/llSourcell
總之，原則就是每天進步一點點。
加油。
— 完 —
誠摯招聘
量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回覆“招聘”兩個字。
量子位 QbitAI · 頭條號簽約作者
վ'ᴗ' ի 追蹤AI技術和產品新動態
閱讀更多 量子位 的文章
